Bu bölüm, Python kullanarak Milvus geliştirme için hızlı bir başlangıç yapmanın nasıl yapıldığını tanıtıyor.

Sağladığımız örnek kodları çalıştırarak, Milvus'un fonksiyonları hakkında ön bir anlayış elde edeceksiniz.

Sürüm Gereksinimleri

  • Milvus 2.3.0
  • Python 3 (3.7.1 veya daha yüksek)
  • PyMilvus 2.3.x

Milvus Python SDK Kurulumu

python3 -m pip install pymilvus==

Örnek Kodunu İndirme

Aşağıdaki komutu kullanarak hello_milvus.py dosyasını doğrudan indirebilir veya aşağıdaki komutu kullanarak indirebilirsiniz.

$ wget https://www.tizi365.com/storage/hello_milvus.py

Örnek Kodun Açıklaması

Örnek kod aşağıdaki adımları gerçekleştirir.

  • PyMilvus paketini içe aktarın:
from pymilvus import (
    connections,
    utility,
    FieldSchema,
    CollectionSchema,
    DataType,
    Collection,
)
  • Sunucuya bağlanın:
connections.connect("default", host="localhost", port="19530")
  • Bir koleksiyon oluşturun:
fields = [
    FieldSchema(name="pk", dtype=DataType.INT64, is_primary=True, auto_id=False),
    FieldSchema(name="random", dtype=DataType.DOUBLE),
    FieldSchema(name="embeddings", dtype=DataType.FLOAT_VECTOR, dim=8)
]
schema = CollectionSchema(fields, "hello_milvus en basit demo örneğidir, API'yı tanıtmak için kullanılır")
hello_milvus = Collection("hello_milvus", schema)
  • Vektörleri koleksiyona ekleyin:
import random
entities = [
    [i for i in range(3000)],  # pk alanı
    [float(random.randrange(-20, -10)) for _ in range(3000)],  # random alanı
    [[random.random() for _ in range(8)] for _ in range(3000)],  # embeddings alanı
]
insert_result = hello_milvus.insert(entities)
hello_milvus.flush()
  • Varlıklara bir indeks oluşturun:
index = {
    "index_type": "IVF_FLAT",
    "metric_type": "L2",
    "params": {"nlist": 128},
}
hello_milvus.create_index("embeddings", index)
  • Koleksiyonu belleğe yükleyin ve vektör benzerlik araması yapın:
hello_milvus.load()
vectors_to_search = entities[-1][-2:]
search_params = {
    "metric_type": "L2",
    "params": {"nprobe": 10},
}
result = hello_milvus.search(vectors_to_search, "embeddings", search_params, limit=3, output_fields=["random"])
  • Vektör sorguları gerçekleştirin:
result = hello_milvus.query(expr="random > -14", output_fields=["random", "embeddings"])
  • Karma arama gerçekleştirin:
result = hello_milvus.search(vectors_to_search, "embeddings", search_params, limit=3, expr="random > -12", output_fields=["random"])
  • Birincil anahtara göre varlıkları silin:
expr = f"pk in [{entities[0][0]}, {entities[0][1]}]"
hello_milvus.delete(expr)
  • Koleksiyonu silin:
utility.drop_collection("hello_milvus")

# Örnek kodu çalıştırmak için aşağıdaki komutu kullanın.

$ python3 hello_milvus.py

Aşağıda dönen sonuçlar ve sorgu gecikmesi gösterilmektedir:

=== Milvus'a Bağlanılıyor ===

hello_milvus adında bir koleksiyon Milvus'ta mevcut mu: Hayır

=== `hello_milvus` koleksiyonu Oluşturuluyor ===

=== Varlıklar Ekleniyor ===

Milvus'ta bulunan varlık sayısı: 3000

=== IVF_FLAT indis oluşturuluyor ===

=== Yükleniyor ===

=== Vektör benzerliğine dayalı arama yapılıyor ===

Eşleşme: (Mesafe: 0.0, ID: 2998), Rastgele Alan: -11.0
Eşleşme: (Mesafe: 0.11455299705266953, ID: 1581), Rastgele Alan: -18.0
Eşleşme: (Mesafe: 0.1232629269361496, ID: 2647), Rastgele Alan: -13.0
Eşleşme: (Mesafe: 0.0, ID: 2999), Rastgele Alan: -11.0
Eşleşme: (Mesafe: 0.10560893267393112, ID: 2430), Rastgele Alan: -18.0
Eşleşme: (Mesafe: 0.13938161730766296, ID: 377), Rastgele Alan: -14.0
Arama gecikmesi = 0.2796 saniye

=== `random > -14` koşuluyla sorgulama yapılıyor ===

Sorgu sonucu:
-{'pk': 9, 'random': -13.0, 'embeddings': [0.298433, 0.931987, 0.949756, 0.598713, 0.290125, 0.094323, 0.064444, 0.306993]}
Arama gecikmesi = 0.2970 saniye

=== `random > -12` koşuluyla karmaşık arama yapılıyor ===

Eşleşme: (Mesafe: 0.0, ID: 2998), Rastgele Alan: -11.0
Eşleşme: (Mesafe: 0.15773043036460876, ID: 472), Rastgele Alan: -11.0
Eşleşme: (Mesafe: 0.3273330628871918, ID: 2146), Rastgele Alan: -11.0
Eşleşme: (Mesafe: 0.0, ID: 2999), Rastgele Alan: -11.0
Eşleşme: (Mesafe: 0.15844076871871948, ID: 2218), Rastgele Alan: -11.0
Eşleşme: (Mesafe: 0.1622171700000763, ID: 1403), Rastgele Alan: -11.0
Arama gecikmesi = 0.3028 saniye

=== `pk in [0, 1]` ifadesiyle silme işlemi yapılıyor ===

Silmeden önce `pk in [0, 1]` ifadesine göre sorgulama -> Sonuç:
-{'pk': 0, 'random': -18.0, 'embeddings': [0.142279, 0.414248, 0.378628, 0.971863, 0.535941, 0.107011, 0.207052, 0.98182]}
-{'pk': 1, 'random': -15.0, 'embeddings': [0.57512, 0.358512, 0.439131, 0.862369, 0.083284, 0.294493, 0.004961, 0.180082]}

Silmeden sonra `pk in [0, 1]` ifadesine göre sorgulama -> Sonuç: []

=== `hello_milvus` koleksiyonu siliniyor ===